据 The New Stack 报道，Google 搭建了一个可供 AI agent 练习的仿真环境。同一篇报道指出，仿真物理的准确度仍然不足。这个细节比它乍看之下更重要：在合成世界中训练或评估的 agent 会继承该世界所做的每一项近似，而一个偏离现实的物理模型会把训练变成对错误任务的排练。
NVIDIA 近期的工作从另一个方向指向同一个问题。该公司在发布 Isaac 工具的同时，还提供了一条用于在仿真中训练机器人运动能力的 agent 流水线，而这条流水线依赖同一个前提：接触、摩擦和动力学与物理世界的表现足够接近，使学到的行为能够迁移。这两项工作本质上都不是渲染问题。差距在于动力学以及 agent 所面对对象的保真度，并且它会在下游表现为评估有效性问题——一个在并不存在的世界中认证能力的基准。
对于构建 agent 系统的团队而言，实际后果是：仿真结果在陈述时必须附带其假设。从现有报道中仍不清楚的是：保真度差距如何衡量、涉及哪些环境或任务，以及这两项工作是否报告了向物理环境或生产环境迁移的结果。在这些内容发布之前，仿真性能应被视为内部信号，而非对外声明。